Was sind neuronale Netze?

Die Ideen für die ersten künstlichen neuronalen Netze entstanden bereits in den 1940er Jahren, als man versuchte, die Funktionsweise der Nervenzellen im Gehirn zu verstehen und sie mit elektrischen Schaltkreisen nachzubilden. Heute sind wir dem Verständnis der Lernprozesse unseres Gehirns viel näher gekommen, und auch die künstlichen neuronalen Netze haben sich weiterentwickelt. Vom Gehirn wissen wir, dass es lernt, indem es neue Verbindungen zwischen Nervenzellen bildet, d. h., wenn man sich eine Vokabel durch ständiges Wiederholen einprägt, trägt dies zur Bildung neuer Nervenverzweigungen und zur Verstärkung bestimmter Verbindungen bei. Irgendwann muss man sich die Karteikarte nicht mehr ansehen, weil man den Inhalt gelernt hat.

Ein neuronales Netz lernt auf ähnliche Weise, besteht aber nicht aus Nervenzellen, sondern aus programmierten oder durch Hardware gebildeten Knoten, die miteinander verbunden sind. Diese Verbindungen und Knoten bilden ein komplexes Netz, das in mehrere Schichten unterteilt ist. Am Anfang steht die Eingabeschicht, die mit Reizen wie Licht, denen das Gehirn ausgesetzt ist, verglichen werden kann. Die Reize für ein neuronales Netz hingegen sind bestimmte digitale Informationen, so genannte Parameter. Diese entsprechen den Reizen, die das Netz verarbeiten und z. B. kategorisieren soll. Dazu wertet das neuronale Netz die Eingaben daraufhin aus, ob sie Daten einer bestimmten Kategorie enthalten, zum Beispiel Bilder von einer Katze.

Um diese erkennen zu können, muss das neuronale Netz zunächst trainiert werden, indem ihm Hunderte bis Tausende von Bildern mit allen möglichen Tieren und Objekten gezeigt werden, wobei alle Bilder, die Katzen enthalten, als solche markiert werden. Anhand dieser Beispiele lernt das neuronale Netz selbstständig, welche Merkmale eine Katze ausmachen, so dass es nun auf der Grundlage dieses Lernens auch auf neuen, noch unbekannten Bildern selbst Katzen identifizieren kann.

Dieser Lernprozess im neuronalen Netz ähnelt dem Lernprozess im menschlichen Gehirn, wobei die Netzschichten zwischen Input und Output dafür verantwortlich sind. Jede Zuordnung in der Trainingsphase entspricht einem bestimmten Weg des Signals durch dieses Netz, und wenn die Zuordnung richtig ist, wird diese Netzverbindung gestärkt, wenn sie aber falsch ist, wird sie abgewertet.

Zu Beginn, wenn die Daten eingegeben werden, ist die Gewichtung der Pfade noch zufällig, aber nach einem ersten Durchlauf hat das neuronale Netz einige Fehler gemacht, d.h. erste Pfade werden abgewertet. Mit vielen weiteren Durchläufen wird die Verknüpfungsgewichtung ausgeprägter und das Netz lernt immer besser, die richtigen Entscheidungen zu treffen. Die Ergebnisse seiner Kategorisierung landen dann in der Ausgabeschicht und können von dort abgerufen werden. Wenn das neuronale Netz durch dieses Training gelernt hat, wie eine Katze aussieht, kann es nun diese Art von Tier selbstständig erkennen und hat nun eine künstliche Intelligenz entwickelt, die auf das Problem der Katzen spezialisiert ist.